REGRESI POISSON BIVARIAT DENGAN KOVARIAN

MERUPAKAN FUNGSI DARI VARIABEL BEBAS*

Untung Kurniawan1

1Badan Pusat Statistik Kabupaten Klaten, Indonesia, untungk@bps.go.id

Indonesian Journal of Statistics and Its Applications (eISSN:2599-0802)

Vol 2 No 1 (2018), 23 - 34

Copyright © 2018 Untung Kurniawan. This is an open-access article distributed under the Creative
Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any
medium, provided the original work is properly cited.

Abstract
Poisson regression is a regression model which often used to analyze the count
data. In this study, poisson regression has been used bivariate poisson regression
where the regression is a method which is used to model a pair of correlated count
data with multiple predictor variables. The model is used covariance which has a
function of the independent variable. The purposes of this study is obtain parameter
estimates, test statistics of bivariate poisson regression, and determine the factors that
influence of infant mortality and maternal mortality. The data is used from the infant
mortality and maternal mortality in Central Java 2015. Based on the result, the
parameter estimation of poisson bivariate regression model using maximum likelihood
(MLE) method. The results obtained from the parameter estimation are not close form
so it needs to be done by Newton-Raphson iteration method. In testing the hypothesis
using the Maximum Likelihood Ratio Test method (MLRT) by comparing the value
between likelihood below H0 and likelihood below population. Partial of parameters
model λ1 (infant mortality) there are six independent variables that have significant
influence, namely, delivery by health personnel (X 1), pregnant women carry out the
program K4 (X3), pregnant women who get Fe3 tablet (X4), handling obstetric
complication (X5), exclusively breastfed infants (X7), and households living a clean and
healthy life (X8). While for model λ2 (maternal death) only variable handling of neonatal
complication (X6) which have no significant influence to response variable.

Keywords: bivariate poisson regression, infant mortality, maternal mortality, maximum

likelihood estimation.

1. Pendahuluan

Seringkali suatu penelitian mengkaji hubungan antara variabel respon dan variabel
bebas yang merupakan suatu teknik statistik yang disebut dengan analisis regresi.

* Received Jan 2018; Accepted Apr 2018; Published online on Apr 2018

23
24 Kurniawan

Sebagian besar analisis regresi menggunakan tipe data kontinu untuk variabel
respon. Pada kenyataannya, banyak ditemukan kasus data dengan tipe diskrit pada
variabel responnya (Long, 1997). Analisis yang tepat digunakan untuk
menyelesaikan permasalahan tersebut adalah analisis regresi poisson. Suatu
peristiwa akan mengikuti distribusi poisson jika peristiwa itu jarang sekali terjadi
dalam suatu ruang sampel yang besar (Cameron dan Trivedi, 1998). Jumlah
kematian bayi dan kematian ibu merupakan salah satu contoh data count yang
mengikuti distribusi poisson. Untuk mengetahui faktor-faktor yang berpotensi dalam
meningkatkan jumlah kasus kematian bayi dan ibu, dilakukan pemodelan dengan
menggunakan analisis regresi poisson.
Model regresi data count bivariat digunakan ketika kejadian count yang secara
bersama-sama saling bergantung (Gurmu dan Elder, 2007). Peristiwa count
berpasangan yang menunjukkan korelasi harus ditaksir secara bersama, dan model
regresi count bivariat dirancang untuk menangani kasus tersebut (Karlis dan
Ntzoufras, 2005). Model regresi poisson bivariat banyak digunakan untuk data
bivariat berkorelasi (Chou dan Steenhard, 2011). Kematian bayi dan kematian ibu
merupakan dua hal yang saling berkaitan karena selama masa kandungan gizi yang
diperoleh janin disalurkan dari tubuh ibu melalui plasenta sehingga kondisi ibu
selama masa kehamilan akan berpengaruh pada janin dan bayi yang akan
dilahirkannya kelak. Peran ibu juga sangat berpengaruh dalam merawat bayi mulai
saat ia dilahirkan hingga berumur satu tahun.
Tujuan penelitian ini adalah mengkaji estimator parameter model regresi poison
bivariat, mengkaji bentuk statistik uji model regresi poison bivariat, dan menentukan
faktor-faktor yang berpengaruh terhadap jumlah kematian bayi dan jumlah kematian
ibu di Propinsi Jawa Tengah Tahun 2015 melalui pendekatan regresi poison bivariat.

2. Metodologi

2.1 Bahan dan Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari
data Profil Kesehatan Propinsi Jawa Tengah Tahun 2015 (Dinkes, 2015). Variabel
respon pada penelitian ini adalah jumlah kematian bayi (Y 1) dan jumlah kematian ibu
(Y2) tahun 2015 tiap kabupaten/kota di Provinsi Jawa Tengah. Variabel bebas pada
penelitian ini adalah Persentase persalinan oleh tenaga kesehatan (X 1), Persentase
ibu bersalin mendapatkan pelayanan kesehatan nifas (X 2), Persentase ibu hamil
melaksanakan program K4 (X3), Persentase ibu hamil yang mendapatkan tablet Fe3
(X4), Persentase penanganan komplikasi kebidanan (X 5), Persentase penanganan
komplikasi neonatal (X6), Persentase bayi yang diberi ASI eksklusif (X7), Persentase
rumah tangga berperilaku hidup bersih dan sehat (X 8).

2.2 Metode Penelitian

Langkah-langkah dalam analisis data untuk setiap tujuan penelitian adalah sebagai
berikut :
1. Langkah-langkah untuk menentukan estimasi parameter pada model regresi
poisson bivariat adalah sebagai berikut :
Indonesian Journal of Statistics and Its Applications. Vol 2 No 1 (2018), 23 - 34 25

1. Membentuk fungsi ln likelihood dari model poisson bivariat dengan  0

merupakan fungsi dari variabel bebas yaitu
0  exp(  00   01x1     0k xk ) .
𝑇𝜷
2. Melakukan transformasi ke dalam bentuk persamaan 𝜆𝑗𝑖 + 𝜆0 = 𝑒 𝒙𝑖 𝑗

terhadap fungsi ln likelihood.

3. Menetapkan fungsi ln likelihood Q  ln Lβ 0 , β1 , β 2 
4. Mencari turunan parsial pertama dari fungsi ln likelihood
T
  Q  T  Q  T  Q  T 
g θ    
T
 ,  ,  
  β 0   β1   β 2  
 
5. Mencari turunan parsial kedua dari fungsi ln likelihood
  2Q  2Q  2Q 
 
 β 0 β 0 β 02β1 β 02β 2 
T

  Q  Q 
Hθ   
β1β1 β1β 2 
T
 
 simetris  2Q 
 β 2 β T2 

6. Mendapatkan nilai penaksir parameter dengan iterasi Newton-
Raphson.

2. Langkah-langkah untuk menentukan statistik uji pada model poisson bivariat

adalah sebagai berikut :
Pengujian hipotesis secara serentak :
1. Membentuk hipotesis untuk menguji model regresi poisson bivariat:
H 0 :  j1   j 2  ...   j 8  0
H1 : paling sedikit ada satu  jl  0; j  0,1, 2; l  1, 2,...,8
2. Menentukan himpunan parameter-parameter di bawah H0  
3. Membuat fungsi likelihood di bawah H 0 L 
4. Menentukan himpunan parameter-parameter di bawah populasi  
5. Membuat fungsi likelihood di bawah populasi L
6. Menentukan penaksir parameter dengan metode MLE dan diperoleh
̂  dan ̂  
7. Menentukan statistik uji dengan menggunakan metode Maximum
Likelihood Ratio Test (MLRT)
8. Menentukan daerah penolakan H0

Pengujian hipotesis secara parsial adalah sebagai berikut:

1. Hipotesis untuk menguji signifikansi parameter 
H 0 :  jl  0
H1 :  jl  0; j  0, 1, 2 ; l  1, 2,...,8
2. Menentukan statistik uji.
ˆ jl
z
 
se ˆ jl
26 Kurniawan

3. Menentukan daerah penolakan H0

Daerah penolakan H0 adalah |z hitung| lebih besar dari z / 2 . Nilai
  
se ̂ jl diperoleh dari diagonal ke (j+1) dari var θ̂ .

3. Langkah-langkah untuk menentukan faktor-faktor yang berpengaruh terhadap

kematian bayi dan kematian ibu di Provinsi Jawa Tengah dengan pendekatan
model regresi poison bivariat adalah sebagai berikut :
1. Melakukan estimasi parameter model regresi poisson bivariat dengan
menggunakan Maximum Likelihood Estimation (MLE) di mana nilai λ0
merupakan fungsi dari variabel bebas.
2. Melakukan pengujian hipotesis untuk regresi poison bivariat.
3. Melakukan interpretasi model yang didapatkan.

3. Hasil dan Pembahasan

3.1 Estimasi Parameter Regresi Poison Bivariat dengan Kovarian merupakan

Fungsi dari Variabel Bebas.
Regresi Poisson merupakan model regresi yang sering digunakan untuk
menganalisis suatu data count. Regresi poisson mengacu pada penggunaan
distribusi poisson. Suatu metode yang digunakan untuk memodelkan sepasang
count data yang memiliki korelasi (Karlis dan Ntzoufras, 2005) dengan beberapa
variabel prediktor adalah regresi poisson bivariat. Model tersebut seperti pada
persamaan berikut:
Y1i , Y2i  ~ PB 1i , 2i , 0 
xiT  j
 ji  0  e ; j  1, 2 (1)
x i  1 x1i x2i ... xki 
T


β j   j 0  j1  j 2 ...  jk 
T

dimana i  1, 2, , n , menunjukkan nomor observasi, observasi digunakan untuk model

 i dan  j menunjukkan vektor korespondensi dari koefisien regresi. Terdapat tiga
buah model dengan nilai  0 yang berbeda, yaitu
a) Model dengan nilai  0 adalah suatu konstanta.
b) Model dengan nilai  0 merupakan fungsi dari variabel bebas sehingga
persamaannya sebagai berikut :
0  exp(  00   01 x1     0k x k ) . (2)
c) Model dengan nilai 0 adalah nol dimana tidak ada kovarian dari kedua buah
variabel tersebut.
Pada penelitian ini digunakan model 0 merupakan fungsi dari variabel bebas
sehingga persamaannya sebagai berikut :
0  exp(  00   01x1     0k xk ) .
Metode estimasi yang digunakan dalam regresi poisson bivariat adalah
Maximum Likelihood Estimation (MLE) dengan fungsi likelihoodnya sebagai berikut :
Indonesian Journal of Statistics and Its Applications. Vol 2 No 1 (2018), 23 - 34 27

n  1yi1i k 2y2i i k k0 

L1 , 2 , 0     0 1i 2 i 
s

 e  

i 1  k 0  y1i  k  !  y 2 i  k  ! k  !

s  min  y1 , y2 
𝑇
Selanjutnya ditransformasi dengan 𝜆𝑗𝑖 + 𝜆0 = 𝑒 𝒙𝑖 𝜷𝑗 sehingga diperoleh fungsi ln
likelihood yang baru yaitu :
n
 
i 1
T

Lβ 0 , β1 , β 2    exp  e xi β0  exp e xi β1  e xi β0  exp e xi β2  e xi β0 . Wi  T T
  T T

e    e 
T y1i  k T
y2 i  k k
min  y1i , y2 i  x i T β1 T
xiT β 0
 e xi β0 e xi β 2  e xi β0
dengan Wi  
k 0  y1i  k  ! y2i  k  ! k!

sehingga fungsi ln likelihood diperoleh sebagai berikut :

Q  ln Lβ 0 , β1 , β 2     e x
n

i 1
 i
T
β0
  e i 1
n
x i T β1
 e xi
T
β0
  e
n

i 1
xiT β 2
 e xi
T
β0
  ln W n

i 1
i

min  y1i , y 2 i 
misalkan Wi   W1i .W2i
k 0

W1i 
e x i T β1
 e xi β0
T
 y1i  k

 y1i  k  !

W2i 
e xiT β 2
 e xi β0
T
e xi   y2 i  k T
β0
 k

 y 2i  k  ! k !
Q diturunkan terhadap β 0 , β1 , β 2
Q n

  exp x i β 0 x i  
β 0 i 1
T n 1 W

i 1 Wi β 0

i

Q
β 1
n

   exp x i β 1 x i  
i 1
T n 1 W

i 1 Wi β 1
i

Q
β 2
n

   exp x i β 2 x i  
i 1
T n 1 W

i 1 Wi β 2
i

W1i diturunkan terhadap β 0
W1i  y1i  k  e xi

 T
β1
 e xi β0
T
  e  x
y1i  k 1
xiT β 0
i

β 0  y1i  k  !



W1i  y1i  k  e xi β1  e xi β0
T
 e xi
T
  y1i  k 1 T
β0
x i

β 0  y1i  k  y1i  k  1 !
W1i

 T
e xi β1  e xi β0
T
 e xi   y1i  k 1 T
β0
x i

β 0  y1i  k  1 !
W2i diturunkan terhadap β 0

W2i 
e x iT β 2
 e xi β0
T
e xi  
y2 i  k T
β0
 k

 y 2 i  k  ! k!
W2i
 u ' v  v' u
β 0
28 Kurniawan

dengan,

u 
e xiT β 2
 e xi β0
T
 y2 i  k

 y 2i  k  !

v 
e  xiT β0
k

k!
 y2i  k  e x   e  x
T y2 i  k 1
T
x iT β 0
i β2
 e xi β0
u'  i

 y 2i  k  !

v' 
 
k e xi
T
β0
k 1
xi
k!

W2i  y 2i  k  e xi

 T
β2
 e xi β0
T
 y2 i  k 1
 e  x . e 
xiT β 0
i
xiT β0
k


 
k e xi
T
β0
k 1
xi
.
e xiT β 2 T
 e xi β0  y2 i  k

β 0  y 2i  k  ! k! k!  y 2i  k  !
e T
xi β 2
 e xi β0
T
e xi   
y2 i  k T
β0
k
  y  k   e xi β0 x i 
kx i 
T


 y2i  k ! k!
.  2i T
 e i 2  e i 0
x β
T
x β
 T 
e xi β0  
Wi min( y1i , y2 i )  W1i W 
   W2i  2i W1i 
β 0 k 0
 β 0 β 0 
 y1i  k e x   e  x . e   
T y1i  k 1 y2 i  k k
T
xiT β 0
 e xi β0
T T
β1 x iT β 2
min( y1i , y 2 i ) i
 e xi β0 e xi β0
  i

k 0  y1i  k  !  y 2i  k  ! k !
e xiT β 2
 e xi β0
T
 e    y
y2 i  k
xiT β0
k

 k   e xi β0 x i
T
 
k  x   e x i β1  e x i β 0
T T
 y1i  k


e   Ti 
2i

 y 2i  k  ! k! 
xiT β 2
 e xi β0
T
e xi β 0   y1i  k  !


min( y1i , y2 i )

e x iT β1
 e xi β0
T
 . e
y1i  k
xiT β 2
 e xi β0
T
  
e xi β0
y2 i  k T k

k 0  y1i  k  !  y 2 i  k  !k !

  y1i  k   e xi β0 x i  y 2i  k   e xi β0 x i kx i 
T
  T

 x Tβ
 e i 1  e i 0
x Tβ
 T T
e xi β 2  e xi β 0
 x Tβ 
e i 0   
W1i diturunkan terhadap β1

W1i  y1i  k  e xi

 T
β1
 e xi β0
T
 y1i  k 1
e  x x i T β1
i

β 1  y1i  k !
W1i  y1i  k  e xi β1  e xi β0

e xi T T
 y1i  k 1
 T
β1
x i
β 1  y1i  k  y1i  k  1 !
W1i

e xi  T
β1
 e xi β0
T
e xi  y1i  k 1
 T
β1
x i
β 1  y1i  k  1 !

W2i diturunkan terhadap β1

W2i
0
β 1
Indonesian Journal of Statistics and Its Applications. Vol 2 No 1 (2018), 23 - 34 29

Wi min( y1i , y2 i )  W W2i 

   1i
W2i  W1i 
β1 k 0  β1 β1 
Wi

min( y1i , y2 i ) e x i

 T
β1
 e xi β0
T

y1i  k 1
e xi  T
β1
 x . e
i
x iT β 2
 e xi β0
T
 
e xi
y2 i  k T
β0

k

β1 k 0  y1i  k  1 !  y2i  k  ! k !

W1i diturunkan terhadap β 2
W1i
0
β 2
W2i diturunkan terhadap β 2

W2i  y2i  k  e xi

 T
β2
 e xi β 0
T
 e  x . e 
y1i k 1
x iT β 2
i
xiT β 0
k

β 2  y2 i  k  ! k!
Wi min( y1i , y2 i )  W1i W 
   W2i  2i W1i 
β 2 k 0  β 2 β 2 
 y2i  k e x  e x . e  e 
T T y1i  k 1 k y1i  k
xiT β 2 xiT β 0 x iT β1 T
min( y1i , y2 i ) i β2
 e xi β0  e xi β0
  i
k 0  y1i  k !  y2i  k !k!
Turunan kedua sebagai berikut :
n  1   1 Wi Wi 
 2Q
 
n
exp x
T
β x xT
  

 2Wi
    
T 
β 0 β T0 i 1  Wi β β
  Wi β 0 β 0 
i 0 i i T
i 1
 0 0

n  1 
 2Q
β 1 β1T
n T

   exp x i β1 x i x Ti   
 2Wi
i 1  Wi β β
T


  1 Wi Wi
 2
  W β β T
i 1
 1 1    i 1 1

n  1  2Wi   1 Wi Wi 

 2Q
β 2 β T2
n
   exp x i β 2  T
 x i x Ti   
i 1  Wi β β
   2
T 
β β

T 
 2   i
W 2 
i 1 2
2

 2Q n  1  2Wi   1 Wi Wi 

      2 
β 0 β 1 i 1  Wi β 0 β 1
   Wi β 0 β1 
 2Q n  1  2Wi   1 Wi Wi 
      2 
β 0 β 2 i 1  Wi β 0 β 2
   Wi β 0 β 2 
 2Q n  1  2Wi   1 Wi Wi 
     2 
β 1 β 2 i 1  Wi β 1 β 2
  W β β 
   i 1 2 

Karena hasil persamaan di atas tidak memberikan suatu persamaan yang

eksplisit maka digunakan suatu metode yaitu metode Newton-Rapshon dengan
langkah-langkah sebagai berikut :
1. Menentukan nilai taksiran awal parameter θ̂ (0) dengan θ  0 β1T β T2  di mana
T

ln Lθ  Q . Niai taksiran awal parameter 𝜆̂0(0) dapat digunakan cov[Y1,Y2]= λ0.
Nilai taksiran awal β̂ j0  diperoleh dengan metode Ordinary Least square (OLS),
yaitu
j 0   1
 
βˆ  X T X X T Y dengan j = 0,1,2. j 
30 Kurniawan

2. Membentuk vektor gradien g

T
  Q  T  Q  T  Q  T 
g θ m  3( k 1)1
T
    ,  ,  
  β 0   β1   β 2  
     m 

3. Membentuk matriks Hessian H

  2Q  2Q  2Q 
 
 β 0 β 0 β 02β1 β 0 β 2 
T

 Q  2Q 
H θ m  3( k 1) x 3( k 1)  

β1β1T β1β 2 
 
 simetris  2Q 
 β 2 β T2  θθ m 
4. Memasukkan nilai ke dalam θ̂ (0) elemen-elemen vektor g dan matriks H,
sehingga diperoleh vektor g( θ̂ (0) ) dan matriks H( θ̂ (0) ).
5. Mulai dari m = 0 dilakukan iterasi pada persamaan
  
θˆ j( m1 )  θˆ j( m)  H 1 θˆ ( m) g θˆ ( m)
Nilai θˆ ( m ) merupakan sekumpulan penaksir parameter yang konvergen saat iterasi
ke-m.
6. Jika belum mendapatkan penaksiran parameter yang konvergen , maka
dilanjutkan kembali ke langkah 5 hingga iterasi ke m = m+1. Iterasi akan berhenti
apabila nilai dari θˆ ( m1)  θˆ m   , 𝜀 adalah bilangan yang sangat kecil.

3.2 Pengujian Parameter Regresi Poisson Bivariat untuk Kovarian Merupakan

Fungsi dari Variabel Bebas

Untuk menentukan nilai statistik uji, terlebih dahulu ditentukan dua buah fungsi
likelihood yang berhubungan dengan model regresi yang diperoleh. Fungsi-fungsi
likelihood yang dimaksud adalah L( ˆ ) yaitu nilai maximum likelihood untuk model
yang lebih lengkap dengan melibatkan variabel prediktor dan L(ˆ ) , yaitu nilai
maximum likelihood untuk model sederhana tanpa melibatkan variabel prediktor.
Salah satu metode yang dapat digunakan untuk menentukan statistik uji dalam
pengujian parameter menggunakan metode Maximum Likelihood Ratio Test (MLRT)
dinotasikan dengan :
L(ˆ )

ˆ)
L (
Hipotesis yang digunakan adalah :
H0 :  j1   j 2  ...   j 8  0
H1 : paling sedikit ada satu  jl  0; j  0, 1, 2; l  1, 2,..., 8
Himpunan parameter di bawah H0 adalah   { 00 , 10 ,  20}, dengan fungsi likelihood
sebagai berikut :

L( )   f  yi ;  00 ; 10 ;  20 
n

i 1
n
 
L( )   exp e  0 0  e 1 0  e  2 0 . Wi
i 1
 
Indonesian Journal of Statistics and Its Applications. Vol 2 No 1 (2018), 23 - 34 31

Nilai Wi 
min( y1i , y2 i )

e 10
 e 00   y1i  k
e  20  e 00 e 00  y2 i  k
  k

k 0  y1i  k  !  y2i  k  ! k !
L(ˆ )  max L( )

n
  ˆ
L(ˆ )   exp e  0 0  e 1 0  e  2 0 . Wi
i 1
ˆ ˆ
 
Nilai Wi 
min( y1i , y2 i )

e ˆ10
 e 00
ˆ
  y1i  k
e  20  e 00
ˆ
e 00
ˆ
  
y2 i  k ˆ k

k 0  y1i  k  !  y2i  k  ! k !
Himpunan parameter di bawah populasi adalah   { j 0 ,  j1 ,...,  25 ; j  0, 1, 2} ,
sehingga fungsi likelihoodnya sebagai berikut :
L()   f  yi ; β 0 ; β1 ; β 2 
n

i 1
n
L()   exp e xi
i 1
  T
β0
 e xi
T
β1
 e xi
T
β2
.W i

dengan
e  e  e 
T y1i  k T
y2 i  k k
min  y1i , y2 i  x i T β1 xiT β 2 xiT β 0
 e xi β 0  e xi β0
Wi   .
k 0  y1i  k  !  y 2i  k  ! k!
ˆ )  max L 
L (

n
 
ˆ )   exp e xiT βˆ 0  e xiT βˆ1  e xiT βˆ 2 . W
L (
i 1
i  
dengan

e  e  . e 
Tˆ y1i k Tˆ
y2 i  k k
min  y1i , y2 i  xiT βˆ 1 xiT βˆ 2 xiT βˆ 0
 e xi β0  e xi β0
Wi  
k 0  y1i  k  !  y2i  k  ! k!
sehingga diperoleh

D βˆ
 L(ˆ ) 
  2 Ln 
ˆ ) 
 L (
 2 ln L  
ˆ  ln L ˆ    
 i
n

  
 exp x T β  exp x T β  n exp x T β  n ln W  
n
 
i     
 
i 0 i 1 i 2
D βˆ  2
1 i 1 i 1 i 1

(3)
  exp     exp     exp     ln W  
n n n n

 i 1 00
i 1
10
i 1
20
i 1
i
 


D β̂ adalah devians model regresi poisson bivariat dengan menggunakan
pendekatan distribusi chi-square dengan derajat bebas v dan H0 ditolak jika

D βˆ   2 ( ;v ) , dengan v adalah derajat bebas yang diperoleh dari banyaknya
parameter model di bawah populasi dikurangi banyaknya parameter di bawah H 0.
32 Kurniawan

3.3 Pemodelan Regresi Poison Bivariat Kematian Bayi Dan Kematian Ibu di
Propinsi Jawa Tengah Tahun 2015

Hipotesis yang digunakan untuk uji serentak pada regresi poisson bivariat adalah
sebagai berikut :
H 0 :  j1   j 2  ...   j 8  0
H1 : paling sedikit ada satu  jl  0; j  0,1, 2; l  1, 2,...,8

diperoleh nilai D β̂ sebesar 2.385,65 dengan tingkat signifikansi sebesar 5% yang
menghasilkan  (0,05;24)
2

= 36,415 karena nilai D β̂ lebih besar dari  (0,05;24)
2
maka tolak
H0 yang artinya minimal ada satu variabel yang berpengaruh terhadap respon.
Selanjutnya akan dilakukan pengujian parameter secara parsial. Dalam regresi
poisson bivariat akan terbentuk tiga model dengan model 1 adalah model untuk
jumlah kematian bayi, model  2 adalah model untuk jumlah kematian ibu, dan model
0 adalah model persamaan dari variabel prediktornya. Estimasi parameter model
regresi poisson bivariat adalah sebagai berikut :

Tabel 1 Estimasi Parameter Model Regresi Poisson Bivariat pada Kematian Bayi dan
Kematian Ibu di Provinsi Jawa Tengah Tahun 2015
Kematian bayi (λ1) Kematian ibu (λ2)
Parameter
Estimasi SE Z Hitung Estimasi SE Z Hitung
0 10,777 4,309 2,50* 16,128 16,278 0,99
1 -0,074 -0,014 5,35* -1,908 -0,228 8,38*
2 0,008 0,034 0,24 1,257 -0,049 -25,48*
3 -0,019 -0,005 3,51* -0,170 0,033 -5,16*
4 0,041 0,001 69,01* 0,599 0,113 5,29*
5 -0,001 -0,001 3,86* 0,108 0,017 6,48*
6 0,002 0,003 0,77 0,028 -0,019 -1,49
7 0,007 0,003 2,27* -0,071 -0,001 81,55*
8 -0,016 -0,007 2,39* -0,044 -0,008 5,81*
*) Signifikan dengan taraf signifikansi 5%

Berdasarkan nilai dari Tabel 4.4 ditunjukkan bahwa model λ 1 (kematian bayi)
memiliki nilai Z hitung yang lebih besar daripada Z tabel (𝛼/2 = ±1,96) ada enam
variabel bebas yang berpengaruh signifikan yaitu, persalinan oleh tenaga kesehatan
(X1), ibu hamil melaksanakan program K4 (X3), ibu hamil yang mendapatkan tablet
Fe3 (X4), penanganan komplikasi kebidanan (X5), bayi yang diberi ASI eksklusif (X7),
dan rumah tangga berperilaku hidup bersih dan sehat (X8). Sedangkan untuk model
λ2 (kematian ibu) hanya variabel penanganan komplikasi neonatal (X6) yang tidak
memiliki pengaruh yang signifikan terhadap variabel respon.
Indonesian Journal of Statistics and Its Applications. Vol 2 No 1 (2018), 23 - 34 33

Tabel 2 Estimasi Parameter Model Regresi Poisson Bivariat pada λ0 Persamaan

λ0 persamaan
Parameter
Estimasi SE Z Hitung
0 8,023 -13,381 -0,60
1 -0,007 0,266 -0,03
2 -0,015 0,045 -0,33
3 -0,031 -0,177 0,18
4 0,009 0,039 0,22
5 -0,008 -0,021 0,39
6 0,004 0,007 0,62
7 0,004 -0,005 -0,84
8 -0,009 -0,003 3,43*

Pada model λ0 hanya variabel rumah tangga berperilaku hidup bersih dan sehat
(X8) yang berpengaruh signifikan terhadap variabel respon. Sehingga dari hasil
semua estimasi parameter di peroleh model sebagai berikut :
∗
𝜆̂1 = exp(10,777 – 0,074X1 + 0,008X2 – 0,019X3 + 0,041X4 – 0,001X5 + 0,002X6 +
0,007X7 – 0,016X8)
̂𝜆2 ∗ = exp(16,128 – 1,908X1 + 1,257X2 – 0,170X3 + 0,599X4 + 0,108X5 + 0,028X6 –
0,071X7 – 0,044X8)
∗
𝜆̂0 = exp(8,023 – 0,007X1 – 0,015X2 – 0,031X3 + 0,009X4 – 0,008X5 + 0,004X6 +
0,004X7 – 0,009X8)

Pada kasus kematian bayi, setiap penambahan 1% jumlah persalinan oleh tenaga
kesehatan (X1) maka akan melipatgandakan rata-rata jumlah kematian bayi sebesar
0,93 kali dari rata-rata jumlah kematian bayi semula jika variabel lain tidak dilibatkan
dalam model. Setiap penambahan 1% jumlah ibu hamil melaksanakan program K4
(X3) maka akan melipatgandakan rata-rata jumlah kematian bayi sebesar 0,98 kali
dari rata-rata jumlah kematian bayi semula jika variabel lain tidak dilibatkan dalam
model. Setiap penambahan 1% jumlah rumah tangga berperilaku hidup bersih dan
sehat (X8) maka akan melipatgandakan rata-rata jumlah kasus HIV sebesar 0,98
kali dari rata-rata jumlah kematian bayi semula jika variabel lain tidak dilibatkan
dalam model.
Pada kasus kematian ibu, setiap penambahan 1% jumlah persalinan oleh tenaga
kesehatan (X1) maka akan melipatgandakan rata-rata jumlah kematian ibu sebesar
0,15 kali dari rata-rata jumlah kematian ibu semula jika variabel lain tidak dilibatkan
dalam model. Setiap penambahan 1% jumlah ibu hamil melaksanakan program K4
(X3) maka akan melipatgandakan rata-rata jumlah kematian ibu sebesar 0,84 kali
dari rata-rata jumlah kematian ibu semula jika variabel lain tidak dilibatkan dalam
model.
34 Kurniawan

4. Simpulan dan Saran

Berdasarkan hasil yang telah diperoleh, estimasi parameter model regresi poisson
bivariat regression menggunakan metode maximum likelihood (MLE). Hasil yang
diperoleh dari estimasi parameter tersebut tidak close form sehingga perlu dilakukan
dengan metode iterasi Newton-Raphson. Pada pengujian hipotesisnya
menggunakan metode maximum likelihood rasio test (MLRT) dengan
membandingkan nilai antara likelihood di bawah H0 dan likelihood dibawah
populasi. Model Regresi Poisson Bivariat pada kematian bayi dan kematian ibu di
Provinsi Jawa Tengah Tahun 2015, model λ1 (kematian bayi) ada enam variabel
bebas yang berpengaruh signifikan yaitu, persalinan oleh tenaga kesehatan (X1), ibu
hamil melaksanakan program K4 (X3), ibu hamil yang mendapatkan tablet Fe3 (X4),
penanganan komplikasi kebidanan (X5), bayi yang diberi ASI eksklusif (X7), dan
rumah tangga berperilaku hidup bersih dan sehat (X8). Sedangkan untuk model λ2
(kematian ibu) hanya variabel penanganan komplikasi neonatal (X6) yang tidak
memiliki pengaruh yang signifikan terhadap variabel respon.

Daftar Pustaka
Cameron, A.C. dan Trivedi, P.K. (1998), Regression Analysis of Count Data,
Cambridge University Press, USA.
Chou, N. dan Steenhard, D. (2011), “Bivariate Count Data Regression Models – A
SAS® Macro Program”, Proceedings SAS Global Forum 2011, paper 355-2011.
[Dinkes] Dinas Kesehatan Propinsi Jawa Tengah. (2015). Profil Kesehatan Propinsi
Jawa Tengah. Semarang : Dinkes Jateng.
Gurmu, S. dan Elder, J. (2007) "A simple bivariate count data regression model."
Economics Bulletin, Vol.3, No. 11, hal. 1-10.
Karlis, D. dan Ntzoufras, I. (2005). Bivariate Poisson and Diagonal Inflated Bivariate
Poisson Regression Models in R. Journal of Statistical Software, Vol 14, 1-36.
Long, J. S. (1997), Regression Models for Categorical and Limited Dependent
Variables. Number 7 in Advance Quantitive Techniques in The Social Sciences,
Sage Publications, California.